按兴趣浏览，循来源深入。
Peristyle 在 GitHub 发布了开源项目 harness，一个面向大语言模型的多智能体框架：每个智能体一个 Postgres schema 实现隔离，记忆以行存储并用 pgvector 向量相似度加 trigram 文本检索做混合召回。全部智能体由一个 Flask 进程和端口服务，浏览器聊天界面加 REST API 和移动 PWA，支持多智能体群聊（仅被 @ 提及的智能体回复）、回合中插话、上下文超限时整体丢弃最旧迭代并在系统提示中告知、每晚重读身份文件。智能体身份由 IDENTITY.md、SOUL.md 等 Markdown 文件构成，每回合开始时读取，改动无需重启即生效。安装只需克隆仓库加一个 config.yaml，附 MIT 许可证。
推荐理由：原文把 Postgres schema 隔离、混合检索和截断降级等设计讲得具体，读者可以照着复现这套多智能体记忆架构。
OpenLore 是一个面向 AI 编码智能体的本地优先记忆与护栏工具，基于静态分析构建代码知识图谱，热路径无 LLM、无需 API key，同一查询始终返回相同答案。一条 openlore install 命令可自动检测 Claude Code、Cursor、Cline 等智能体并注册 MCP 服务器；orient() 单次调用返回任务相关函数、调用者与插入点（15k 节点图上约 430µs p50）。在 Spec 14 基准中，大型陌生仓库的深度任务往返次数下降 26%（excalidraw 25→16），小型熟悉仓库则常为负收益，官方同时公布了亏损数据。治理侧提供 breaking-change 判定、敏感边界检查、verify_claim 与统一提交门 openlore enforce。
推荐理由：README 公开了随仓库规模变化的收益与亏损实测数据，并给出在自己仓库上复现的命令，方便读者判断工具是否适用。
GitHub 用户 sidvw1808 开源 PersonaRAG，一个用 RAG 模拟 Elon Musk、Tim Cook 等公众人物已公开观点的对话系统，回答带编号引用并标注强/部分/弱/无依据的 grounding 等级。系统用 bge-small 嵌入加 ChromaDB 存储每人物知识库，BM25 与向量检索经 RRF 融合后再用 cross-encoder 重排，在 Elon Musk 评测集上把 hit-rate@6 从 0.90 提到 1.00、MRR 从 0.70 提到 0.78；LLM 后端可插拔，支持 Claude API 或经 Ollama 在 4 GB GPU 上离线运行 qwen2.5:3b。
推荐理由：作者给出了检索各模式的实测对比和评测驱动的提示词迭代过程，读者可以借鉴其引用率与弃答指标的做法。
作者开源了 Tether，一个面向长时编码 Agent 的运行时，解决压缩后假完成问题：任务摘要和模型维护的计划放在永不裁剪的记忆层，每次压缩过 ROUGE-L 加关键词双校验，不达标就整条回滚。压缩率 22.5%，比不上 LLMLingua 类学习式压缩器的 10–20 倍；DeepSeek 端到端实测 20 任务 pass@1 80%，总 token 省 21%。还含三层记忆、三级文件漂移检测（stat → MD5 → AST）、10 种中断场景恢复、重复调用拦截、MCP 接入，150 个测试全离线可跑。作者明确列出局限：代码执行无沙箱，漂移测试集为自建，e2e 仅 20 任务样本差异在噪声内。
推荐理由：作者把每个设计取舍都配上了可复现的实验数字和明确局限，读者可以照着 benchmark 判断这套运行时是否值得试。
kgaidev/kgai 在 GitHub 开源，定位为 AI 编程工作流中的共享决策记忆：AI 在改代码时自动把结构性决策记录为知识图谱，包括变更、原因和被否决的方案，改动前 AI 会先查已有决策。决策是不可变的内容寻址事件，并行写入不产生文本合并冲突，语义冲突以分支形式呈现并保留解决记录；官方称 100 万条决策、30 个写入者分片下查询约 100ms。支持 Claude Code 插件、Codex CLI（需 ≥ 0.150）和 Gemini CLI，团队同步为 opt-in，使用用户自己的 S3 桶（git 远端为实验性），另有 VS Code/Cursor/Windsurf 扩展和实验性 kgai-mod 插件，MIT 许可，本地优先，代码不出本机。
推荐理由：这个共享决策记忆在 100 万条决策、30 个写入者分片下查询仍约 100ms，且团队同步以自家 S3 为 opt-in，可作长期记忆落地方案参考。
rossoctl 开源 context-guru，通过少带上下文和缓存省钱两条路径降低 Agent 流量的 token 成本，官方称合计可省 5-15% 的 API 开销。默认只做缓存管理不改内容，支持 Claude Code 与 Codex（实验性），提供 off 到 xhigh 五档预设、实时节省状态栏与仪表盘，采用 Apache-2.0 许可证。
推荐理由：README 给出各省钱路径的实测占比与分级预设，读者可以对照自己的 Agent 用法估算 token 开销能省在哪。
Fate 1.0.0 发布，是一个 Windows Electron 应用，直接读写你已有的 Obsidian vault 中 Markdown 文件，提供文件、搜索、编辑器、图谱、数据库、Canvas、Planner、版本等八类界面。其 agent 记忆机制把用户原话逐字追加到 vault 内 System/stated.jsonl，下次会话开头自动带回，agent 无权写日志也无权决定是否读取；在规则陈述一次后文件被删除的测试中，开启该机制 3 次运行全部恢复规则，关闭则 0 次恢复。
推荐理由：作者把记忆写入和召回都从模型自主判断改为确定性机制，并给出开关前后的 3/3 对 0/3 恢复率对比，方法可直接参考。
IBM Research 发布 ALTK-Evolve，通过 GPT-4.1 从智能体自身轨迹中蒸馏行为规则并追加到系统提示词，在不更新权重的情况下让 stock ReAct 智能体在 τ²-bench retail 达到 Pass^4 67.5%，登顶 2026 年 10 月 12 日榜单快照。换用 gpt-5.5 后 airline 以 82.0% 位居第一；对比显示 retail 需 292 条 lossless 全集才见效，airline 的 14 条 sup3 核心反而更可靠，代价主要是输入 token 成本上升，对话轮数略降。
推荐理由：不更新权重，仅靠从轨迹中蒸馏的提示词级规则就把 stock ReAct 智能体推上 τ²-bench 榜首，方法可直接复用。
mnemonic-proxy 作者在 AgentLongBench 上用 Qwen3.8 Flash Next（IQ3_XXS、Strata 0.1.40、单张 RTX 4070 Ti 12 GB）对比四种方法：归档加 recall 工具的 proxy 得 86/100，全窗口 69，LLM 摘要 47，截断 49。第一轮因题目歧义各方法都接近随机（proxy 52、summary 56），在每题加一句澄清后重测，proxy 对 summary 合并配对检验 p=7.6e-9，对全窗口 +17 分（90% CI [+7, +26]）；128k 下全窗口 32/50 的回答撞到 3,072 token 推理预算。
推荐理由：作者用预注册的两轮测试区分了题目歧义与真实差距，并给出各方法的置信区间、耗时和显存数据，局限也写得很清楚。
trailhq 发布 Trail-Code（原 graft），为 Claude Code、Cursor、Codex 等编码智能体提供自学习上下文层，含 tree-sitter 构建的代码图谱 graft map 和从对话中自动保存的 learnings。SWE-bench Verified 50 题上 Claude Sonnet 5 从 27 题提升到 33 题，token 减少 23%；162 次自建基准显示成本降 32%、时间降 60%、工具调用减 46%，PocketBase 15 个真实任务成本降 21%。CLI 经 npm 安装，MIT 协议开源，learnings 通过 git 共享、无需服务器。
推荐理由：原文给出 SWE-bench Verified 与 162 次自建基准的前后对照数据，读者可以据此判断这个上下文层在成本和正确率上的实际收益。
Ronit Gupta 开源了 agent-memgc，一个纯 Rust 编写的静态分析 CLI，用于审计、修复和压缩 AGENTS.md、CLAUDE.md、.cursorrules 等 agent 指令文件，处理耗时小于 15ms。它检测死文件路径引用、语义矛盾规则、破坏 KV-cache 前缀命中的易变内容置顶和重复指令，宣称平均减少 35%-55% 的指令 token 膨胀；提供 cargo install 安装、MCP server 集成 Claude Desktop 和 Cursor，附 6 项通过的测试。
推荐理由：作者把 agent 指令文件当作可静态分析的代码来治理，给出了死路径、矛盾规则、KV-cache 布局等具体检测规则和实测 token 节省比例。
HeliosNova 开源 Nova，一个完全本地运行的个人 AI，把用户纠正自动转成 lesson 和时序知识图谱事实并在后续回答中检索，实测纠错多数情况能改变答案。它还内置 70+ 个覆盖 35+ 领域的自主 monitor 持续研究并维护 living dossiers、可评分预测和滚动版 State of the World，经 Docker + Ollama 部署，默认绑定 localhost，硬件要求 20GB+ 显存，也提供 4GB 和 CPU 配置。
推荐理由：该项目给出了可复现的记忆学习评测和与同类项目的对比表，能看出纠错式记忆回路到底有没有用。
lioensky 发布 VCP (VCPToolBox) 1.1 正式版，定位为让 AI 持续存在的基础设施而非工具调用框架，已在用户真实环境中 7×24 小时运行。核心是把信息从 AI 主动查询改为主动流向 AI 的语义引力机制，包含连续时间线、浪潮语义动力学记忆引擎、RiverMemo 拓扑 V3 与 Rust/Rayon 原生内核，支持 300+ 插件、分布式部署、跨端记忆同步与模型自动路由，采用 CC BY-NC-SA 4.0 许可证。
推荐理由：项目方系统阐述了让 AI 持续存在的架构思路，把记忆检索改为信息主动浮现的引力范式，对做长期陪伴 Agent 的开发者有参考价值。
dovahkiin-v 在 GitHub 发布 Mitos 早期版本，一个记录 AI 编程协作中架构决策的记忆层，记录每条决策、被否决的备选方案及后续决策的取代关系，并通过 MCP server 让 agent 决策前查先例、决策时记录。底层用 decisions.md 及季度归档作为人类可读源，SQLite 加本地 Qdrant 做语义检索，支持 mitos surface、record、query 等命令与 git commit 门禁，已上架 PyPI 和 MCP Registry，采用 Apache 2.0 许可。作者称一个月高强度 LLM 设计评审产生近 900 条决策记录，超出人工可管理范围。
推荐理由：作者给出决策记录的存储结构与三个核心命令，并说明 markdown 为源、图与索引可重建的降级设计，方法可直接迁移。
Leteo 是一个给编程智能体的记忆工具，把决策、bug 修复、约定和高成本发现存进本地 SQLite，会话开始时按相关性交还，单二进制无服务器无需 API key。支持 Claude Code、Cursor、Codex 等十五个客户端，提供 23 个工具的 MCP 服务器和 13 MB 的语义搜索模型。作者给出 13 次运行的对照实测，在代码答不了的问题上带记忆 4 题全对而无记忆 3 题全错，token 开销约 3.7 倍但正确回答可省 27% token，开源自 Gentleman Programming 的 Engram，MIT 许可。
推荐理由：作者用同一智能体开关记忆的对照实测给出收益与代价的数字，包括每会话约 15,400 token 的固定成本和 3.7 倍开销。
论文提出 CarryOn，一个面向对象的上下文运行时，把长程 Agent 的上下文围绕可复用任务对象组织，而非依赖交互历史。跨折（fold）维护 carrier 记录并按证据与环境检查修订受影响记录；在 OSWorld 2.0 与 BrowseComp-Plus 上分别提升 5.8% 和 7.0%，token 总量减少 51.9% 和 22.9%。
推荐理由：论文给出在 OSWorld 2.0 和 BrowseComp-Plus 上的涨分与 token 节省数据，可用于评估按任务对象组织上下文这条路线的收益。
Hoang Pham 在 arXiv 发表论文（arXiv:2610.18427），提出 Randomized Block Curation（RBC），用随机实验衡量智能体自写 playbook 中各条经验对任务成功的实际影响。将相关经验分组后，在练习任务上随机决定每块是否纳入提示词，用有无某块的成功率差值估计其效果，只保留有效块。跨 2 个记忆系统、3 个模型和 3 个基准，RBC 平均成功率达 66.9，高于全量 playbook 的 55.5、无 playbook 的 54.1 和靠智能体自行判断筛选的 53.8。论文还指出同一流程写出的 playbook 可能有效也可能比无 playbook 低最多 69.6 分，因此需并行维护多个 playbook 并选用在新鲜练习集上表现最佳者。
推荐理由：论文给出量化实验设计，用随机对照衡量 playbook 条目对任务成功率的真实贡献，数字齐全可复现。
9Tech Solutions 发布 agent-context-pruner（0.x 早期版），一个面向 AI 编码智能体的上下文压缩工具，压缩时从不摘要，保留内容逐字原样，由可替换的决策模型给旧工具调用打分后丢弃或截断。决策模型可用 TypeSafe Jev、Cloudflare Clef、本地 Ollama/SGLang 或内置离线规则打分器；Claude Code 插件需 2.1.275+，通过 /plugin install 安装，/compact 与自动压缩将走该插件。
推荐理由：作者用自己 76 个会话的实测数据给出各信号对复用预测的 AUC 和规则模型与 Jev 的对比，方法可迁移到类似上下文剪枝场景。
seeflood 在 GitHub 发布 progressive_serializer 工具，把超出体量的 JSON 字段自动折叠成 overview.md 加 <key>. 文件，智能体只在需要时读取溢出内容，零运行时依赖。工具提供 serialize 与 serialize_value 两个 API，支持按字符或 token 预算折叠、/* … */ 块注释约定、中文消息模板；generate_sdk=True 时还会为溢出文件生成带完整 schema 的 <key>_sdk.py，用 get('a.b.c') 按路径取值避免智能体整读大文件。
推荐理由：原文把超长 JSON 折叠溢出的完整方案讲到了字段级细节，包括折叠阈值、注释约定和 SDK 按路径取值的设计取舍，方法可直接复用。
knudge 是一个 Rust CLI（二进制 kd），为 AI 智能体提供按项目的持久记忆：以 Markdown 笔记为唯一事实源，索引可重建，支持 BM25 + 锚点 + 可选 embeddings 的混合检索（RRF 融合），无需服务器、数据库或后台进程。配套 knudge-mcp 通过 JSON-RPC 2.0 over stdio 暴露 4 个记忆触发器，支持 kd self setup 配置 claude、cursor、codex 等。工作流为 ask → write → task → sync，写入时按相似度分数去重（<0.75 新建，0.75–0.92 合并，≥0.92 拒绝）。
推荐理由：原文完整给出了按项目记忆系统的架构、检索机制和 MCP 集成方式，读者可以了解一套可本地审计的 Agent 记忆方案怎么做。